1. MetaPhlAn 简介：宏基因组物种分类利器

做宏基因组分析的人，十有八九都听过 MetaPhlAn 这个名字。它全称是 Metagenomic Phylogenetic Analysis，由 Huttenhower 实验室开发，专门用标记基因来做物种分类和相对丰度定量。我个人最早接触它是在一次肠道菌群项目的初期，当时读库数据量不大，用传统全基因比对又慢又贵，MetaPhlAn 给了我一条捷径——几小时出结果，而且物种分辨率够用。

1.1 它到底解决了什么问题？

宏基因组测序拿到的是一堆来自不同微生物的 DNA 碎片。传统做法是把每条 reads 往参考基因组上比对，然后统计覆盖度。但这种方式缺点很明显：

• 计算成本高——比对几亿条 reads 到上万基因组，时间耗不起。
• 重复序列干扰——保守区域在物种间高度相似，比对容易张冠李戴。
• 物种覆盖不全——很多环境微生物没有高质量参考基因组。

MetaPhlAn 换了个思路：它只挑出那些 物种特异性足够强、在基因组里单拷贝或低拷贝的标记基因，然后拿 reads 去匹配这些标记。匹配上了，就能直接定种并估算丰度。

1.2 核心流程：从 reads 到物种谱

MetaPhlAn 的工作流并不复杂，但每一步都藏着可调的参数。我把主干画成了下面的图，方便大家建立整体印象。

图上我标出了三个“参数可调区域”，这也是咱们这门课的核心对象。很多人拿了旗舰版（--preset phlan4）就跑，但实际项目里 不同参数组合会导致物种谱的漂移，尤其是低丰度种和接近物种界线的类群。

1.3 为什么需要单独做参数敏感性分析？

你肯定听过“参数敏感性分析”这个词——换个参数跑一遍，看结果变不变。听起来简单对吧？但放到 MetaPhlAn 上，坑其实不少。

我举个例子。之前有一个海水样本项目，我们先用默认参数跑了一遍，发现 Vibrio 属丰度只有 0.2%。后来为了看稳定性，我把比对敏感度从 -s 0.5 改到 -s 0.9，结果 Vibrio 直接跳到 1.8%，还多出了好几个未被注释的低频种。究其原因，默认参数下许多属于稀有菌群的 reads 被当作“未比对”扔掉了。如果只报告单一参数的结果，这份数据结论就是误导性的。

1.4 参数敏感性分析的核心目标

我们把目标讲清楚，后面所有的案例才会对得上。参数敏感性分析不是要把所有参数组合跑一遍（那样你算力吃不消），而是：

1. 识别关键参数——哪些参数小幅度变化就会导致物种谱显著改变？
2. 量化波动范围——同一个样本，不同参数下丰度的变异系数有多大？
3. 建立最佳实践——针对特定样本类型（肠道、海洋、土壤等），推荐哪一组参数？
4. 判断结论稳健性——你的差异分析结果（A vs B）会不会因为参数选择而逆转？

这四个目标贯穿整门课。第2章开始我们会逐一拆解，用真实数据集演示。

1.5 你需要提前准备好的环境

如果你没有现成的 MetaPhlAn 环境，建议用 conda 快速搭建。我习惯用 mamba 加速安装：

mamba create -n metaphlan -c bioconda -c conda-forge metaphlan
conda activate metaphlan
metaphlan --version

安装完成后，下载新版标记数据库（约 2.5 GB）：

metaphlan --install --bowtie2db ~/databases/metaphlan_db

验证数据库是否可用：

metaphlan metagenome_sample.fastq.gz --bowtie2db ~/databases/metaphlan_db \
  --input_type fastq --output_file profile.tsv 2>&1 | head -5

如果看到类似下面这样，说明环境就绪：

Species:        555 taxons detected
Reads mapped:    12.3% (85,000 / 691,000)
-- read_percentage 12.3 --
-- index_used: /path/to/metaphlan_db/mpa_vOct23_CHOCOPhlAnSGB_2024

1.6 本章知识点速览表